用行为基元增强强化学习以处理多样化操作任务
机器学习
2022-07-01 v3 人工智能
机器人学
摘要
现实的操作任务要求机器人与环境通过一长串运动动作进行交互。尽管深度强化学习方法近来已成为自动化操作行为的一种有前景的范式，但由于探索负担，它们通常在长视野任务中表现不佳。本工作提出 Manipulation Primitive-augmented reinforcement Learning（MAPLE），一种用预定义行为基元库增强标准强化学习算法的学习框架。这些行为基元是专门用于实现操作目标（如抓取与推动）的鲁棒功能模块。为使用这些异构基元，我们开发了一种分层策略，该策略涉及这些基元并用输入参数实例化其执行。我们证明，在一系列模拟操作任务上，MAPLE 以显著优势优于基线方法。我们还量化了所学行为的组合结构，并突出了我们的方法将策略迁移到新任务变体及实体硬件的能力。视频与代码见 https://ut-austin-rpl.github.io/maple
引用
@article{arxiv.2110.03655,
title = {Augmenting Reinforcement Learning with Behavior Primitives for Diverse Manipulation Tasks},
author = {Soroush Nasiriany and Huihan Liu and Yuke Zhu},
journal= {arXiv preprint arXiv:2110.03655},
year = {2022}
}
备注
IEEE ICRA 2022; Outstanding Learning Paper Award